2025年12月23日
## 要約：
クレジットリスクモデルにおいて、単調性制約は解釈可能性と予測精度の間でトレードオフを解決する可能性がある。本研究では、5つのデータセットと3つのライブラリを用いて単調性制約付きと非付きの勾配ブースティングモデルを比較し、そのコスト（単調性コスト）を定量化した。結果として、大規模データセットではコストは非常に小さく、適切に設定すれば解釈可能性と予測精度のバランスが取れる。
---
## 翻訳：
arXiv:2512.17945v1 Announce Type: new
Abstract: 金融機関は、クレジットリスクのために機械学習モデルをデプロイする際に、予測精度と解釈可能性のトレードオフに直面します。単調性制約はモデルの挙動をドメイン知識に合わせますが、そのパフォーマンスコストは十分に定量化されていません。本論文では、クレジットデフォルト確率のために単調性制約ありと制約なしの勾配ブースティングモデルを、5つの公開データセットと3つのライブラリでベンチマークします。私たちは、非制約モデルから制約モデルに移行する際に標準パフォーマンスメトリックが相対的にどれだけ変化するかを推定し、ブートストラップ不確実性によるペア比較で単調性コスト（PoM）を定義します。私たちの実験では、AUCにおけるPoMは実質的にゼロから約2.9%の範囲です。制約は大規模なデータセットではほとんどコストがかかりません（通常0.2%未満で、ゼロと区別できません）が、広範な制約カバレッジを持つ小規模なデータセットでは最もコストがかかります（約2〜3%）。したがって、適切に指定された単調性制約は、大規模なクレジットポートフォリオではわずかな精度損失で解釈可能性を提供できる可能性があります。
[📰 原文はこちら](https://arxiv.org/abs/2512.17945)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
